掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
大數據數學基礎-Python語言描述 版權信息
- ISBN：9787115499219
- 條形碼：9787115499219 ; 978-7-115-49921-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
大數據數學基礎-Python語言描述 本書特色
本書全面地講解了在科學領域廣泛運用的微積分、概率論與數理統計、線性代數、數值計算、多元統計分析等數學基礎知識。全書共6章：第1章介紹了大數據與數學、數學與Python的關系；第2章介紹了微積分的基礎知識，包括極限、導數、微分、不定積分與定積分等；第3章介紹了概率論與數理統計的基礎知識，包括數據分布特征、概率與概率分布、參數估計、假設檢驗等；第4章介紹了線性代數的基礎知識，包括行列式、矩陣的運算和特征分解、奇異值分解；第5章介紹了數值計算的基礎知識，包括插值法、函數逼近與擬合、非線性方程（組）求根；第6章介紹了常用的多元統計分析方法，包括回歸分析、判別分析、聚類分析、主成分分析、因子分析和典型相關分析。本書示例大都結合Python進行求解分析，且每章都有課后習題，可以幫助讀者鞏固所學的內容。
大數據數學基礎-Python語言描述 內容簡介
全書大部分章節緊扣實際需求展開，不堆積知識點，著重于解決問題時思路的啟發與方案的實施，幫助讀者真正理解與消化大數據數學基礎。 書中案例全部源于企業真實項目，可操作性強，引導讀者融會貫通，并提供源代碼等相關學習資源，幫助讀者快速掌握大數據相關技能。
大數據數學基礎-Python語言描述 目錄
第 1章 緒論 1
1.1 大數據與數學 1
1.1.1 大數據的定義 1
1.1.2 數學在大數據領域的作用 2
1.2 數學與Python 4
1.2.1 NumPy 4
1.2.2 SciPy 5
1.2.3 SymPy 5
1.2.4 StatsModels 5
小結 6
課后習題 6
第 2章 微積分基礎 7
2.1 函數與極限 7
2.1.1 映射與函數 7
2.1.2 數列與函數的極限 13
2.1.3 極限運算法則與存在法則 16
2.1.4 連續函數與初等函數的
連續性 17
2.2 導數與微分 18
2.2.1 導數的概念 18
2.2.2 函數的求導法則 22
2.2.3 微分的概念 26
2.3 微分中值定理與導數的應用 30
2.3.1 微分中值定理 30
2.3.2 函數的單調性與曲線的
凹凸性 31
2.3.3 函數的極值與*值 32
2.4 不定積分與定積分 36
2.4.1 不定積分的概念與性質 36
2.4.2 不定積分的換元積分法與
分部積分法 41
2.4.3 定積分的概念與性質 43
2.4.4 定積分的換元積分法與
分部積分法 46
小結 47
課后習題 47
第3章 概率論與數理統計基礎 49
3.1 數據分布特征的統計描述 49
3.1.1 集中趨勢度量 49
3.1.2 離散趨勢度量 57
3.1.3 偏度與峰度的度量 62
3.2 概率與概率分布 65
3.2.1 隨機事件及其概率 65
3.2.2 隨機變量與概率分布 69
3.2.3 隨機變量的數字特征 75
3.3 參數估計與假設檢驗 83
3.3.1 參數估計 83
3.3.2 假設檢驗 85
小結 88
課后習題 88
第4章 線性代數基礎 90
4.1 行列式 90
4.1.1 行列式與全排列 90
4.1.2 行列式的性質 97
4.1.3 行列式按行（列）展開 102
4.2 矩陣及其運算 104
4.2.1 矩陣的定義 105
4.2.2 特殊矩陣 106
4.2.3 矩陣的運算 110
4.2.4 矩陣的逆 114
4.2.5 向量組與矩陣的秩 115
4.2.6 協方差矩陣 119
4.2.7 相關矩陣 120
4.3 矩陣的特征分解與
奇異值分解 121
4.3.1 特征分解 121
4.3.2 奇異值分解 134
小結 137
課后習題 137
第5章 數值計算基礎 140
5.1 數值計算的基本概念 140
5.1.1 誤差的來源 140
5.1.2 誤差分類 142
5.1.3 數值計算的衡量標準 143
5.2 插值法 143
5.2.1 Lagrange插值 143
5.2.2 Newton插值 146
5.2.3 樣條插值 152
5.3 函數逼近與擬合 153
5.3.1 數據的*小二乘線性擬合 153
5.3.2 函數的*佳平方逼近 157
5.3.3 數據的多變量擬合 160
5.3.4 數據的非線性曲線擬合 162
5.4 非線性方程（組）求根 164
5.4.1 二分法求解非線性方程 164
5.4.2 迭代法求解非線性方程 167
5.4.3 Newton法求解非線性方程 169
5.4.4 Newton法求解非線性
方程組 171
小結 173
課后習題 174
第6章 多元統計分析 176
6.1 回歸分析 176
6.1.1 一元線性回歸 176
6.1.2 多元線性回歸 184
6.1.3 Logistic回歸 189
6.2 判別分析 193
6.2.1 距離判別 194
6.2.2 貝葉斯判別 197
6.2.3 費希爾判別 200
6.3 聚類分析 202
6.3.1 距離和相似系數 202
6.3.2 系統聚類法 205
6.3.3 動態聚類法 212
6.4 主成分分析 215
6.4.1 總體主成分 215
6.4.2 樣本主成分 221
6.5 因子分析 224
6.5.1 正交因子模型 225
6.5.2 參數估計 228
6.5.3 因子旋轉 235
6.5.4 因子得分 237
6.6 典型相關分析 238
6.6.1 總體典型相關 238
6.6.2 樣本典型相關 240
6.6.3 典型相關系數的顯著性檢驗 241
小結 243
課后習題 243
附錄I t分布表 248
附錄II F分布表 250
參考文獻 262
1.1 大數據與數學 1
1.1.1 大數據的定義 1
1.1.2 數學在大數據領域的作用 2
1.2 數學與Python 4
1.2.1 NumPy 4
1.2.2 SciPy 5
1.2.3 SymPy 5
1.2.4 StatsModels 5
小結 6
課后習題 6
第 2章 微積分基礎 7
2.1 函數與極限 7
2.1.1 映射與函數 7
2.1.2 數列與函數的極限 13
2.1.3 極限運算法則與存在法則 16
2.1.4 連續函數與初等函數的
連續性 17
2.2 導數與微分 18
2.2.1 導數的概念 18
2.2.2 函數的求導法則 22
2.2.3 微分的概念 26
2.3 微分中值定理與導數的應用 30
2.3.1 微分中值定理 30
2.3.2 函數的單調性與曲線的
凹凸性 31
2.3.3 函數的極值與*值 32
2.4 不定積分與定積分 36
2.4.1 不定積分的概念與性質 36
2.4.2 不定積分的換元積分法與
分部積分法 41
2.4.3 定積分的概念與性質 43
2.4.4 定積分的換元積分法與
分部積分法 46
小結 47
課后習題 47
第3章 概率論與數理統計基礎 49
3.1 數據分布特征的統計描述 49
3.1.1 集中趨勢度量 49
3.1.2 離散趨勢度量 57
3.1.3 偏度與峰度的度量 62
3.2 概率與概率分布 65
3.2.1 隨機事件及其概率 65
3.2.2 隨機變量與概率分布 69
3.2.3 隨機變量的數字特征 75
3.3 參數估計與假設檢驗 83
3.3.1 參數估計 83
3.3.2 假設檢驗 85
小結 88
課后習題 88
第4章 線性代數基礎 90
4.1 行列式 90
4.1.1 行列式與全排列 90
4.1.2 行列式的性質 97
4.1.3 行列式按行（列）展開 102
4.2 矩陣及其運算 104
4.2.1 矩陣的定義 105
4.2.2 特殊矩陣 106
4.2.3 矩陣的運算 110
4.2.4 矩陣的逆 114
4.2.5 向量組與矩陣的秩 115
4.2.6 協方差矩陣 119
4.2.7 相關矩陣 120
4.3 矩陣的特征分解與
奇異值分解 121
4.3.1 特征分解 121
4.3.2 奇異值分解 134
小結 137
課后習題 137
第5章 數值計算基礎 140
5.1 數值計算的基本概念 140
5.1.1 誤差的來源 140
5.1.2 誤差分類 142
5.1.3 數值計算的衡量標準 143
5.2 插值法 143
5.2.1 Lagrange插值 143
5.2.2 Newton插值 146
5.2.3 樣條插值 152
5.3 函數逼近與擬合 153
5.3.1 數據的*小二乘線性擬合 153
5.3.2 函數的*佳平方逼近 157
5.3.3 數據的多變量擬合 160
5.3.4 數據的非線性曲線擬合 162
5.4 非線性方程（組）求根 164
5.4.1 二分法求解非線性方程 164
5.4.2 迭代法求解非線性方程 167
5.4.3 Newton法求解非線性方程 169
5.4.4 Newton法求解非線性
方程組 171
小結 173
課后習題 174
第6章 多元統計分析 176
6.1 回歸分析 176
6.1.1 一元線性回歸 176
6.1.2 多元線性回歸 184
6.1.3 Logistic回歸 189
6.2 判別分析 193
6.2.1 距離判別 194
6.2.2 貝葉斯判別 197
6.2.3 費希爾判別 200
6.3 聚類分析 202
6.3.1 距離和相似系數 202
6.3.2 系統聚類法 205
6.3.3 動態聚類法 212
6.4 主成分分析 215
6.4.1 總體主成分 215
6.4.2 樣本主成分 221
6.5 因子分析 224
6.5.1 正交因子模型 225
6.5.2 參數估計 228
6.5.3 因子旋轉 235
6.5.4 因子得分 237
6.6 典型相關分析 238
6.6.1 總體典型相關 238
6.6.2 樣本典型相關 240
6.6.3 典型相關系數的顯著性檢驗 241
小結 243
課后習題 243
附錄I t分布表 248
附錄II F分布表 250
參考文獻 262
展開全部
大數據數學基礎-Python語言描述 作者簡介
張良均，高級信息系統項目管理師，泰迪杯全國大學生數據挖掘競賽（www.tipdm.org）發起人。華南師范大學、廣東工業大學兼職教授，廣東省工業與應用數學學會理事。兼有大型高科技企業和高校的工作經歷，主要從事大數據挖掘及其應用的策劃、研發及咨詢培訓。全國計算機技術與軟件專業技術資格（水平）考試繼續教育和CDA數據分析師培訓講師。發表數據挖掘相關論文數20余篇，已取得國家發明專利12項，主編《Hadoop大數據分析與挖掘實戰》《Python數據分析與挖掘實戰》《R語言數據分析與挖掘實戰》等多本暢銷圖書，主持并完成科技項目9項。獲得SAS、SPSS數據挖掘認證及Hadoop開發工程師證書，具有電力、電信、銀行、制造企業、電子商務和電子政務的項目經驗和行業背景。
書友推薦
- >
推拿
- >
山海經
- >
煙與鏡
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
我與地壇
- >
月亮虎
- >
伊索寓言-世界文學名著典藏-全譯本
- >
唐代進士錄
本類暢銷
